Jul, 2023

实用协作感知：异步和多智能体三维物体检测框架

PDF
TL;DR本文介绍一种新的通过点云序列检测车辆 3D 物体的方法，采用 LiDAR 传感器解决阴影效应与 HD 地图配合，并使用 V2X 通信技术提高车辆感知性能，同时优化带宽性能.
single-vehicle 3d object detectionlidarmulti-frame detection modelshd mapvehicle-to-everything communication
发现论文，激发创造
  • 可学习通信的自动驾驶系统协同式三维物体检测

    本文提出一种新的协同三维物体检测框架，通过利用空间分布式传感器所提供的信息来辅助自动驾驶系统中的感知精度，同时避免因事先的通信方案导致通信拥堵和 / 或性能受限的问题。通过两个复杂的驾驶场景的实验结果和带宽使用分析，证明了该方法可以在各种检测困难情况下节省通信和计算成本，并显著提高检测性能。

    May, 2022

  • 基于 3D 点云的联网自动驾驶车辆的合作感知

    借助 LiDAR 3D 点云技术，基于来自联网汽车不同位置和角度的传感器数据融合，提出一种基于点云的 3D 物体检测方法，拓展感知区域、提高检测准确性、促进增强结果，同时通过现有的车联网技术，可实现利用点云数据进行协同感知。

    May, 2019

  • V2X-AHD: 基于非对称异质蒸馏网络的车辆与一切协作感知

    通过提出一种多视角车路协同感知系统（V2X-AHD），利用不同的训练数据提高轮廓识别的准确性，并借助多头自注意力（MSA）融合单视角特征，从而有效提高 3D 物体检测的准确性和降低网络参数数量。

    Oct, 2023

  • 基础设施传感器协同感知驾驶场景中的 3D 物体检测

    本文提出了两种单模态传感器的合作式三维物体检测方案，分别为早期融合方案和后期融合方案，并通过在 T 形路口和环岛等复杂驾驶情境中创建的协作数据集对两种方案及其混合策略进行了性能评估。评估结果表明，早期融合方案在检测精度上表现优异，能识别 95% 以上的物体，而后期融合方案在传输开销上表现更加经济实用。文章同时研究了传感器数量及配置如何影响系统性能。

    Dec, 2019

  • 合作帮助相机在三维检测中超越激光雷达

    本文提出了一种通过引入多智能体协作来提高仅使用摄像机的 3D 检测的方法，称为 CoCa3D。实验表明，CoCa3D 在真实数据集和两个新的模拟数据集上的表现优于之前最好的方法，并显示出摄像机在某些实际场景中可能会超越 LiDAR 的潜力。

    Mar, 2023

  • TUMTraf V2X 协作感知数据集

    合作感知技术对提升自主车辆能力和道路安全具有多方面的好处，使用路侧传感器以及车载传感器可以提高可靠性和扩展传感器范围。我们提出了一种合作多模态融合模型 CoopDet3D 和感知数据集 TUMTraf-V2X，用于合作式三维物体检测和跟踪任务。通过多次实验，我们证明了相对于车载摄像头 - LiDAR 融合模型，我们的 CoopDet3D 摄像头 - LiDAR 融合模型在三维 mAP 上实现了 + 14.36 的提高。最后，我们将我们的数据集、模型、标注工具和开发套件公开发布在我们的网站上。

    Mar, 2024

  • UVCPNet: 无人机 - 车辆协作感知网络用于 3D 目标检测

    通过开发虚拟数据集 V2U-COO，设计跨领域自适应模块 CDCA 以及协同深度优化模块 CDO，本文提出了一种专门用于空中 - 地面协同感知的框架，并在虚拟数据集和公共数据集上进行了广泛实验证明了其有效性，使检测准确率分别提高了 6.1% 和 2.7%。

    Jun, 2024

  • BM2CP：利用激光雷达和相机模态进行高效的协作感知

    使用 LiDAR 和相机实现高效多模态感知的协作感知范式 BM2CP，可以解决多代理间传感器缺失的特殊情况，且在模拟和真实自动驾驶场景中通过较低的通信量超越了现有方法。

    Oct, 2023

  • V2X-Sim：自动驾驶多智能体协作感知数据集和基准

    通过提出 V2X-Sim，一个完整的模拟多智能体感知数据集，本文试图为自动驾驶的协作式感知研究提供一个 benchmark，其中包含了多节点感知、多模态感知以及各种各样的真实解等任务，并为最前沿的协作式感知算法提供一个基准。

    Feb, 2022

  • 突破视界：通过跨模态幻觉进行鲁棒的点云三维物体检测

    通过跨模态幻觉实现稳健的点云三维物体检测的新框架，结合空间和特征的多次对齐以实现骨干网络的细化和幻觉生成，提出了空间对齐和特征对齐的步骤以处理几何差异和感知模态间的属性差距，通过单模态数据进行推断阶段的输入，实现更好的困难检测和高效率的检测。在 View-of-Delft (VoD) 数据集上的广泛实验表明，该方法在雷达和 LiDAR 物体检测上优于最先进的方法，同时保持了竞争性的运行效率。

    Sep, 2023